如果按照聰明和笨、勤奮和懶惰來(lái)劃分，世人大致可分為四類：聰明且勤奮、笨但勤奮、聰明卻懶惰、笨且懶惰。一般而言，前兩種人成功的幾率會(huì)比較大。因此，人們總結(jié)出“勤能補(bǔ)拙是良訓(xùn)，一份汗水一份才”的成功經(jīng)驗(yàn)。進(jìn)而得出了 “聰明人都在下笨功夫，愚蠢的人都在找捷徑”這樣看似很有道理的名言警句。與此同時(shí)，人們又常說(shuō)“聰明是一種天賦，勤奮是一種選擇”，因此大家往往會(huì)把勤奮看成一種美德，而把聰明貶低為“小聰明”。但是，在現(xiàn)實(shí)生活中靠勤奮成功的人，總是給人一種很悲壯的感覺(jué)，令人尊重但并不讓人羨慕。如果可以選擇，我們當(dāng)然希望選擇聰明。
聰明往往是指一個(gè)人機(jī)智靈活，學(xué)習(xí)中具有舉一反三、觸類旁通的能力。這樣的人不費(fèi)多少力氣就能掌握某種知識(shí)和技能，而且善于解決復(fù)雜問(wèn)題，尤其是以前沒(méi)有處理過(guò)的問(wèn)題。而勤奮則是指認(rèn)認(rèn)真真努力干好每一件事情，不怕吃苦，踏實(shí)肯干。這樣的人默默持久的堅(jiān)持，有一種水滴石穿、永不言棄的精神。
經(jīng)過(guò)了60多年的發(fā)展，人工智能（Artificial Intelligence, AI）就是父母口中所說(shuō)的那個(gè)別人家的孩子，看上去毫不費(fèi)力卻取得了很大的成功。其實(shí)，今天的AI只是一個(gè)勤奮、聽話、精力充沛、幾近完美的“笨小孩”。比如，打敗圍棋九段柯潔和李世石的AlphaGo存儲(chǔ)了多達(dá)100萬(wàn)盤棋譜，它正是通過(guò)學(xué)習(xí)這些數(shù)據(jù)才總結(jié)出柯潔和李世石下棋的策略，進(jìn)而提前做出布局。而柯潔和李世石兩個(gè)人加起來(lái)終其一生也不可能下到100萬(wàn)盤棋。盡管后來(lái)AlphaGo的升級(jí)版AlphaGo Zero已經(jīng)無(wú)需再輸入棋譜，而是從零基礎(chǔ)開始，通過(guò)自己左右互搏自學(xué)成才。AlphaGo Zero不斷探索和累積經(jīng)驗(yàn)，現(xiàn)在已碾壓AlphaGo。但是，我們卻很難把AlphaGo和AlphaGo Zero與“聰明”關(guān)聯(lián)起來(lái)。因?yàn)樗鼈兊某晒Ω鄟?lái)自“勤能補(bǔ)拙”，就像是我們自己家的那個(gè)懂事勤奮又刻苦的孩子，確實(shí)取得了很大成功，但是著實(shí)相當(dāng)不易，非常辛苦！我們由衷地為孩子高興，卻又總覺(jué)得苦了孩子，總希望他們能多一點(diǎn)聰明，少一點(diǎn)辛勞！同樣的道理，我們也希望未來(lái)的AI更多地贏在“智能”而不是“人工”上。
對(duì)于未來(lái)AI的發(fā)展，大家都做出了很多預(yù)測(cè)。概括起來(lái)，大致可以總結(jié)為以下六個(gè)方面的發(fā)展趨勢(shì)。如果在這些方面不斷取得新突破，就會(huì)使AI不僅勤奮而且聰明，可更好地滿足人們的需要。
2021年10月24日，中共中央、國(guó)務(wù)院《關(guān)于完整準(zhǔn)確全面貫徹新發(fā)展理念做好碳達(dá)峰碳中和工作的意見》提出大力發(fā)展綠色低碳產(chǎn)業(yè)，為 AI賦能產(chǎn)業(yè)提出了新要求——綠色化助力碳中和。清華大學(xué)智能產(chǎn)業(yè)研究院院長(zhǎng)張亞勤提出AI+IoT綠色低碳應(yīng)用場(chǎng)景，一是清潔能源和傳統(tǒng)能源的融合領(lǐng)域，AIoT技術(shù)可以監(jiān)測(cè)碳排放，智能調(diào)度；二是信息和通信技術(shù)產(chǎn)業(yè)本身，大型的數(shù)據(jù)中心、5G等快速發(fā)展，消耗了很多能源，AI可以應(yīng)用其中實(shí)現(xiàn)節(jié)能減排；三是新興產(chǎn)業(yè)，比如在綠色城市、綠色交通等領(lǐng)域，AIoT也大有可為。其實(shí)，未來(lái)AI自身的發(fā)展也應(yīng)該沿著綠色低碳方向進(jìn)行。當(dāng)下的AI正在“野蠻生長(zhǎng)”，其算法、數(shù)據(jù)和算力這三大基石也在進(jìn)行規(guī)模擴(kuò)張式發(fā)展。深度神經(jīng)網(wǎng)絡(luò)的模型規(guī)模越來(lái)越大，參數(shù)越來(lái)越多，因此所需要訓(xùn)練樣本的規(guī)模越來(lái)越大，訓(xùn)練網(wǎng)絡(luò)所需的算力必須越來(lái)越強(qiáng)，對(duì)資源的消耗必然越來(lái)越高。這樣的發(fā)展顯然是與綠色低碳背道而馳。以O(shè)penAI提出的自然語(yǔ)言處理領(lǐng)域的GPT模型為例，其強(qiáng)大的功能是建立在超大的訓(xùn)練語(yǔ)料、超多的模型參數(shù)，以及超強(qiáng)的計(jì)算資源之上。GPT模型的參數(shù)量為1.17億，預(yù)訓(xùn)練數(shù)據(jù)量5GB；GPT-2的參數(shù)量為15億，預(yù)訓(xùn)練數(shù)據(jù)量40GB；GPT-3的參數(shù)量為1750億，預(yù)訓(xùn)練數(shù)據(jù)量45GB。據(jù)說(shuō)，GPT-4的參數(shù)量將達(dá)到100萬(wàn)億，比GPT-3還要大500倍。同時(shí)，針對(duì)監(jiān)督學(xué)習(xí)來(lái)說(shuō)，數(shù)據(jù)量的增長(zhǎng)需要很多人力進(jìn)行樣本標(biāo)注，從而產(chǎn)生了一批又一批被AI“累死”的人。為此，有人提出了“難道有多少人工，才有多少智能？”這樣的靈魂拷問(wèn)。 反觀人類的智慧體現(xiàn)在“否定”“遺忘”“有所為有所不為”等哲學(xué)上。這樣的智慧是在做減法，通過(guò)主動(dòng)“選擇”走上了一條綠色極簡(jiǎn)的發(fā)展道路。為了實(shí)現(xiàn)綠色低碳智能系統(tǒng)，我們希望未來(lái)AI的發(fā)展方向應(yīng)該是做“減法”而不是做“加法”。一方面構(gòu)建更為靈巧的網(wǎng)絡(luò)模型，通過(guò)輕量化的模型降低對(duì)數(shù)據(jù)量和算力的需求；另一方面，構(gòu)建更為高效廣泛的共享復(fù)用機(jī)制，針對(duì)AI大模型，加大開放、共享的廣度和深度，提高預(yù)訓(xùn)練模型的效益，從而從宏觀上實(shí)現(xiàn)綠色低碳的總體效果?？傊皠?chuàng)新、協(xié)調(diào)、綠色、開放、共享”五大發(fā)展理念為未來(lái)AI的發(fā)展指明了方向，提出了根本遵循。二、知識(shí)數(shù)據(jù)雙驅(qū)動(dòng)的人工智能人工智能的發(fā)展歷程經(jīng)常被劃分為兩代，即知識(shí)驅(qū)動(dòng)的AI和數(shù)據(jù)驅(qū)動(dòng)的AI。第一代AI主要基于知識(shí)庫(kù)和推理機(jī)來(lái)模擬人類的推理和思考行為。其代表性成果就是IBM公司的Deep Blue和Deeper Blue，于1997年5月打敗了當(dāng)時(shí)的國(guó)際象棋冠軍卡斯帕羅夫。知識(shí)驅(qū)動(dòng)的AI具有很好的可解釋性，而且知識(shí)作為一種數(shù)據(jù)和信息高度凝練的體現(xiàn) , 也往往意味著更高的算法執(zhí)行效率。但是，其缺點(diǎn)在于完全依賴專家知識(shí)。一方面，將知識(shí)變成機(jī)器可理解可執(zhí)行的算法十分費(fèi)時(shí)費(fèi)力；另一方面，還有大量的知識(shí)或經(jīng)驗(yàn)難以表達(dá)建模。因此，知識(shí)驅(qū)動(dòng)的AI的應(yīng)用范圍非常有限。 第二代AI則基于深度學(xué)習(xí)來(lái)模擬人類的感知，如視覺(jué)、聽覺(jué)、觸覺(jué)等。其代表性成果就是深度神經(jīng)網(wǎng)絡(luò)，通過(guò)收集大量的訓(xùn)練數(shù)據(jù)并進(jìn)行標(biāo)注，然后訓(xùn)練設(shè)計(jì)好的深度網(wǎng)絡(luò)。這類AI不需要領(lǐng)域知識(shí)，只需要通過(guò)大數(shù)據(jù)的訓(xùn)練就可以達(dá)到甚至超過(guò)人類的感知或識(shí)別水平。這類AI具有通用性強(qiáng)、端到端的“黑箱”或傻瓜特性。但是，也正是由于其“黑箱”特性，才使得第二代AI算法非常脆弱，依賴高質(zhì)量、帶標(biāo)記的大數(shù)據(jù)和強(qiáng)大的算力。因此，具有魯棒性差、不可解釋，以及不太可靠等瓶頸問(wèn)題。 為此，清華大學(xué)張鈸院士提出第三代AI，希望將知識(shí)驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)結(jié)合起來(lái)，充分發(fā)揮知識(shí)、數(shù)據(jù)、算法和算力四要素的作用，建立可解釋的魯棒AI理論。為了探索知識(shí)與數(shù)據(jù)雙驅(qū)動(dòng)AI的落地，華為云提出了知識(shí)計(jì)算的概念。它把各種形態(tài)的知識(shí)，通過(guò)一系列AI技術(shù)進(jìn)行抽取、表達(dá)后協(xié)同大量數(shù)據(jù)進(jìn)行計(jì)算，進(jìn)而產(chǎn)生更為精準(zhǔn)的模型，并再次賦能給機(jī)器和人。目前，知識(shí)計(jì)算在若干垂直行業(yè)獲得初步成功。為此，華為云把明確定義的應(yīng)用場(chǎng)景、充沛的算力、可以演進(jìn)的AI、組織與人才的匹配歸納為影響行業(yè)AI落地的4個(gè)關(guān)鍵要素。但是，這種垂直行業(yè)成功的AI距離通用AI卻是漸行漸遠(yuǎn)。未來(lái)，數(shù)據(jù)與知識(shí)雙驅(qū)動(dòng)的通用AI將是一項(xiàng)極具挑戰(zhàn)性的課題。習(xí)近平總書記在2021年5月中國(guó)科協(xié)第十次全國(guó)代表大會(huì)上的講話指出：“以信息技術(shù)、人工智能為代表的新興科技快速發(fā)展，大大拓展了時(shí)間、空間和人們認(rèn)知范圍，人類正在進(jìn)入一個(gè)人機(jī)物三元融合的萬(wàn)物智能互聯(lián)時(shí)代”。為此，我們的研究對(duì)象將由過(guò)去的物理 - 信息系統(tǒng)（CPS）向物理-信息-人類社會(huì)更復(fù)雜的系統(tǒng)擴(kuò)展。人類所面臨的許多問(wèn)題具有不確定性、脆弱性和開放性，同時(shí)人類也是智能機(jī)器的服務(wù)對(duì)象和最終“價(jià)值判斷”的仲裁者，因此，人類智能與機(jī)器智能的協(xié)同將是貫穿始終的。這就需要將人的作用或認(rèn)知模型引入到AI中，從而形成“人機(jī)混合智能”或“混合增強(qiáng)智能”。 人機(jī)混合增強(qiáng)智能有兩種形態(tài)，一種是人在回路中（Human-in-the-loop）的混合增強(qiáng)智能；一種是人在回路上（Human-on-the-loop）的混合增強(qiáng)智能，或者說(shuō)基于認(rèn)知計(jì)算的混合增強(qiáng)智能。前者將人作為一個(gè)計(jì)算節(jié)點(diǎn)或者決策節(jié)點(diǎn)放置于整個(gè)智能回路中；后者則將人的認(rèn)知模型引入到AI系統(tǒng)，形成一種類人的AI。其實(shí)“人機(jī)混合”這一概念并不陌生，人與動(dòng)物一個(gè)最重要的區(qū)別就是人會(huì)制造和使用工具，而人使用工具的過(guò)程就是“人機(jī)混合”的過(guò)程。機(jī)械化時(shí)代，人機(jī)混合延伸和增強(qiáng)人的體力；信息化時(shí)代，人機(jī)混合延伸和增強(qiáng)人的感知力；在今天的智能化時(shí)代，人機(jī)混合增強(qiáng)人類的智力，將是人腦主導(dǎo)的“感知力增強(qiáng)”和“智力增強(qiáng)”。比如，可穿戴設(shè)備，智能手表、智能眼鏡、智能服裝等，都幫助我們構(gòu)建以人為中心的智能系統(tǒng)。人機(jī)混合增強(qiáng)智能系統(tǒng)的技術(shù)瓶頸在于人機(jī)的自然交互或接口技術(shù)，這將是未來(lái)AI研究的難點(diǎn)和關(guān)鍵核心問(wèn)題。當(dāng)前，人機(jī)混合智能已經(jīng)有了很多嘗試。比如，可穿戴搬運(yùn)機(jī)器人在馬達(dá)驅(qū)動(dòng)下支撐人的上半身，減輕搬運(yùn)重物時(shí)腰部負(fù)擔(dān)；一些科學(xué)家還嘗試將電極植入人腦中，讓人腦可以隨時(shí)直接從計(jì)算機(jī)中下載或上傳數(shù)據(jù)，大幅提升人類的認(rèn)知能力。未來(lái)人機(jī)混合增強(qiáng)智能希望能夠建立以人為中心的智能形態(tài)，保證它“可用、好用”，而且“可控”。此外，當(dāng)前的AI由于尚沒(méi)有自主的意識(shí)，其價(jià)值觀主要是由使用者的價(jià)值觀決定。因此，我們需要通過(guò)人機(jī)混合的方式為AI“立心”，從而讓AI更好的為人類“立功”。機(jī)器學(xué)習(xí)尤其是深度學(xué)習(xí)的發(fā)展使得人工智能模型越來(lái)越復(fù)雜，而這些更復(fù)雜更強(qiáng)大的模型變得越來(lái)越不透明。再加上這些模型基本上仍然是圍繞相關(guān)性和關(guān)聯(lián)性建立的，從而導(dǎo)致很多挑戰(zhàn)性的問(wèn)題，如虛假的關(guān)聯(lián)性、模型調(diào)試性和透明性的缺失、模型的不可控，以及不受歡迎的數(shù)據(jù)放大等。其中，最核心的問(wèn)題就是AI的可解釋性。這一問(wèn)題不解決，AI系統(tǒng)就會(huì)存在不可信、不可控和不可靠的軟肋。2019年歐盟出臺(tái)《人工智能道德準(zhǔn)則》，明確提出AI的發(fā)展方向應(yīng)該是“可信賴的”，包含安全、隱私和透明、可解釋等。 2016年，來(lái)自谷歌機(jī)器學(xué)習(xí)科學(xué)家Ali Rahimi在NIPS大會(huì)上表示，當(dāng)前有一種把機(jī)器學(xué)習(xí)當(dāng)成煉金術(shù)來(lái)使用的錯(cuò)誤趨勢(shì)。同年，美國(guó)國(guó)防高級(jí)研究計(jì)劃局制定了“DARPA Explainable AI (XAI) Program”，希望研究出可解釋性的AI模型。關(guān)于“可解釋性”，來(lái)自谷歌的科學(xué)家在2017年ICML會(huì)議上給出一個(gè)定義——可解釋性是一種以人類理解的語(yǔ)言 ( 術(shù)語(yǔ) ) 給人類提供解釋的能力（Interpretability as the ability to explain or to present in understandable terms to a human）。人有顯性知識(shí)和隱性知識(shí)，隱性知識(shí)就是經(jīng)驗(yàn)直覺(jué)，人可以有效地結(jié)合兩種不同的知識(shí)；而我們?cè)诮忉?、理解事物時(shí)必須是利用顯性知識(shí)。當(dāng)前的深度學(xué)習(xí)是以概率模型得到了隱性的知識(shí)，而顯性知識(shí)適合用知識(shí)圖譜來(lái)模擬。但是，目前深度學(xué)習(xí)和知識(shí)圖譜這兩個(gè)世界還沒(méi)有很好地走到一起。 可解釋性要求對(duì)AI系統(tǒng)的技術(shù)過(guò)程和相關(guān)的決策過(guò)程能夠給出合理解釋。技術(shù)可解釋性要求AI做出的決策是可以被人們所理解和追溯。在AI系統(tǒng)會(huì)對(duì)人類的生命造成重大影響時(shí)，就需要AI系統(tǒng)的決策過(guò)程有一個(gè)合理的解釋、提前的預(yù)判與合法的控制。因此可解釋性AI有三大需求，第一是使深度神經(jīng)網(wǎng)組件變得透明；第二是從深度神經(jīng)網(wǎng)里面學(xué)習(xí)到語(yǔ)義圖；第三是生成人能理解的解釋。 AI系統(tǒng)不一定有意識(shí)，但可以有目的。機(jī)器學(xué)習(xí)的真正難點(diǎn)在于保證機(jī)器的目的與人的價(jià)值觀一致。AI面臨的重要挑戰(zhàn)不是機(jī)器能做多少事，而是知道機(jī)器做的對(duì)不對(duì)。五、非深度神經(jīng)網(wǎng)絡(luò)的人工智能今天AI的成功在很大程度上是大數(shù)據(jù)和深度學(xué)習(xí)的成功。如果把AI未來(lái)的發(fā)展全部寄托在深度神經(jīng)網(wǎng)絡(luò)上，總讓人感到有些單調(diào)，盡管目前的網(wǎng)絡(luò)形態(tài)也是多種多樣的。為了保持“物種的多樣性”，有必要研究深度神經(jīng)網(wǎng)絡(luò)以外的AI系統(tǒng)。 南京大學(xué)周志華教授認(rèn)為，深度神經(jīng)網(wǎng)絡(luò)之所以成功的原因主要是基于逐層加工處理、內(nèi)置特征變換和模型復(fù)雜度三個(gè)關(guān)鍵因素。但是，這三個(gè)因素并沒(méi)有“要求”我們必須使用神經(jīng)網(wǎng)絡(luò)模型；只要能同時(shí)做到這三點(diǎn)，別的模型應(yīng)該也能做深度學(xué)習(xí)。為此，他們提出了“深度森林”這種非神經(jīng)網(wǎng)絡(luò)的新型深度學(xué)習(xí)模型。深度森林的基礎(chǔ)構(gòu)件是不可微的決策樹，其訓(xùn)練過(guò)程并不基于BP算法，甚至不依賴于梯度計(jì)算?！吧疃壬帧本哂杏?xùn)練簡(jiǎn)單、效率高等優(yōu)點(diǎn)，小規(guī)模訓(xùn)練數(shù)據(jù)也可運(yùn)轉(zhuǎn)，而且在理論分析方面也更容易。因此，成為非深度神經(jīng)網(wǎng)絡(luò)AI系統(tǒng)的一種嘗試。 此外，華南理工大學(xué)陳俊龍教授認(rèn)為，雖然深度結(jié)構(gòu)網(wǎng)絡(luò)非常強(qiáng)大，但大多數(shù)網(wǎng)絡(luò)都被極度耗時(shí)的訓(xùn)練過(guò)程所困擾。其中最主要的原因是，上述深度網(wǎng)絡(luò)都結(jié)構(gòu)復(fù)雜并且涉及到大量的超參數(shù)。為此，他提出了寬度神經(jīng)網(wǎng)絡(luò)系統(tǒng)。相對(duì)于“深度”結(jié)構(gòu)來(lái)說(shuō)，“寬度”結(jié)構(gòu)由于沒(méi)有層與層之間的耦合而非常簡(jiǎn)潔。同樣，由于沒(méi)有多層連接，寬度網(wǎng)絡(luò)亦不需要利用梯度下降來(lái)更新權(quán)值，所以計(jì)算速度大大優(yōu)于深度學(xué)習(xí)。在網(wǎng)絡(luò)精度達(dá)不到要求時(shí)，可以通過(guò)增加網(wǎng)絡(luò)的“寬度”來(lái)提升精度，而增加寬度所增加的計(jì)算量與深度網(wǎng)絡(luò)增加層數(shù)相比，可以說(shuō)是微乎其微。當(dāng)然，也有學(xué)者認(rèn)為，現(xiàn)有的寬度學(xué)習(xí)僅適用于數(shù)據(jù)特征不多，但對(duì)預(yù)測(cè)實(shí)時(shí)性要求較高的場(chǎng)景。 不管是深度森林還是寬度網(wǎng)絡(luò)，它們的意義在于為我們提供了未來(lái)AI系統(tǒng)的更多可能，以及多元化的新選擇。從而避免出現(xiàn)人們不得不被迫選擇深度神經(jīng)網(wǎng)絡(luò)的無(wú)奈。我們相信，未來(lái)一定還會(huì)有更多的非深度神經(jīng)網(wǎng)絡(luò)的AI系統(tǒng)，因?yàn)橄到y(tǒng)多樣性是改善AI生態(tài)環(huán)境的重要保障。六、開放環(huán)境自適應(yīng)的人工智能今天AI取得的成功基本上都是封閉環(huán)境中的成功，其中的機(jī)器學(xué)習(xí)有許多假設(shè)條件，比如針對(duì)數(shù)據(jù)的獨(dú)立同分布假設(shè)，以及數(shù)據(jù)分布恒定假設(shè)等。我們通常要假定樣本類別恒定，測(cè)試數(shù)據(jù)的類別是與訓(xùn)練數(shù)據(jù)的類別一致，不會(huì)出現(xiàn)訓(xùn)練時(shí)沒(méi)有遇到的類別。此外，樣本屬性也是恒定的，在測(cè)試時(shí)也要求屬性特征完備。而實(shí)際情況是，我們現(xiàn)在越來(lái)越多地碰到所謂的開放動(dòng)態(tài)環(huán)境。在這樣的環(huán)境中可能一切都會(huì)發(fā)生變化，這就要求未來(lái)的AI必須具備環(huán)境自適應(yīng)能力，或者說(shuō)要求AI的魯棒性要強(qiáng)。 比如，在自動(dòng)駕駛或無(wú)人駕駛領(lǐng)域，在實(shí)驗(yàn)室的封閉環(huán)境下，無(wú)論采集多少訓(xùn)練樣本都不可能涵蓋所有情況，因?yàn)楝F(xiàn)實(shí)世界遠(yuǎn)比我們想象的豐富。這樣在自動(dòng)駕駛的過(guò)程中會(huì)遇到越來(lái)越多的以前沒(méi)有見到的特殊情況，尤其是越是突發(fā)事件，越是很少出現(xiàn)的場(chǎng)景，這就對(duì)AI系統(tǒng)的自適應(yīng)性或魯棒性提出極大的挑戰(zhàn)。因此，未來(lái)AI的發(fā)展必須能應(yīng)對(duì)“開放環(huán)境”的問(wèn)題，即如何在一個(gè)開放環(huán)境下通過(guò)機(jī)器學(xué)習(xí)進(jìn)行數(shù)據(jù)分析和建模。 此外，現(xiàn)有AI技術(shù)依賴大量的高質(zhì)量訓(xùn)練數(shù)據(jù)和計(jì)算資源來(lái)充分學(xué)習(xí)模型的參數(shù)。在系統(tǒng)初始建模階段，由于數(shù)據(jù)充分能夠得到比較理想的效果。然而，在投入使用一段時(shí)期后，在線數(shù)據(jù)內(nèi)容的更新，就會(huì)產(chǎn)生系統(tǒng)性能上的偏差，嚴(yán)重時(shí)直接導(dǎo)致系統(tǒng)下線。在訓(xùn)練數(shù)據(jù)量有限的情況下，一些規(guī)模巨大的深度神經(jīng)網(wǎng)絡(luò)也容易出現(xiàn)過(guò)擬合，使得在新數(shù)據(jù)上的測(cè)試性能遠(yuǎn)低于之前測(cè)試數(shù)據(jù)上的性能。同時(shí)，在特定數(shù)據(jù)集上測(cè)試性能良好的深度神經(jīng)網(wǎng)絡(luò)，很容易被添加少量隨機(jī)噪聲的“對(duì)抗”樣本欺騙，從而導(dǎo)致系統(tǒng)很容易出現(xiàn)高可信度的錯(cuò)誤判斷。因此，發(fā)展魯棒性、可擴(kuò)展性強(qiáng)的智能學(xué)習(xí)系統(tǒng)必定會(huì)成為下一代AI系統(tǒng)的重要研究課題。 從以上未來(lái)AI系統(tǒng)發(fā)展的六種形態(tài)以及各自的發(fā)展趨勢(shì)來(lái)看，下一步的研究需要系統(tǒng)、全面地借鑒人類的認(rèn)知機(jī)理，不僅是神經(jīng)系統(tǒng)的特性，還有認(rèn)知系統(tǒng)（包括知識(shí)表示、更新、推理等），發(fā)展更加具有生物合理性，以及更靈活、更可信可靠的AI系統(tǒng)。唯有如此，未來(lái)AI系統(tǒng)才能夠?qū)崿F(xiàn)“不僅勤奮而且更聰明更有智慧”的理想。
